Amazon Knowledge Bases 深度實戰：結合 S3 Vectors 重塑檢索架構

上一篇文章我們看到，要打造一個能扛住真實商業挑戰的「進階 RAG」架構，需要串接一堆服務：Textract 拆解檔案、Glue 切塊整理、還要在 OpenSearch 建立向量資料庫...。對 DevOps 工程師來說，維護這些 Pipeline 的日常就是：跑版報錯、資料庫 OOM、或是被向量庫的超高月費帳單嚇到。

到了 2026 年，AWS 送給開發者兩份解決這場惡夢的禮物：Amazon Bedrock Knowledge Bases (全託管知識庫)，以及讓窮開發者也能玩得起向量檢索的 Amazon S3 Vectors。

什麼是 Amazon Bedrock Knowledge Bases？

講白了，它就是把上一篇文章提到的那套「資料獲取 $\rightarrow$ 切塊 $\rightarrow$ 轉向量 $\rightarrow$ 存檔 $\rightarrow$ 檢索 API」全部幫你包成一個黑盒子服務。

過去你要寫幾百行 Python 腳本掛在 Lambda 上每天定時跑；現在，你只需要把 PDF、Word、Excel（甚至 2025 年底支援的圖片等多模態資料）丟進一個 AWS S3 Bucket。

接著，只要在 AWS Console 上點幾下滑鼠：

1. 指定來源 S3 Bucket。
2. 選擇你要的 Embeddings 模型（例如 Titan Text Embeddings）。
3. 選擇你的向量庫 (Vector Store)。

然後按下 **Sync (同步)**按鈕，AWS 就會在背景幫你把剩下的髒活全部處理完。當用戶來問問題時，你直接呼叫 API 就可以拿到精準的相關段落，不需要再理會「切幾塊才合理」、「餘弦相似度演算法怎麼算」這類頭痛問題。

S3 Vectors：破壞市場規則的窮人核武

我們剛剛提到「在前端點選你的向量庫」。在以前，選項不外乎是 OpenSearch Serverless、Pinecone 先行者或是 RDS PostgreSQL (pgvector)。

在企業級部署中，這些專業向量庫的月租費往往是幾百美金起跳，而且不論你那天空不空閒，機器開著就是要收錢。

但在 2025 年底 re:Invent 大會上，AWS 丟出了一個震撼彈：Amazon S3 Vectors。

圖說：S3 Vectors 將昂貴的向量資料庫變成隨付隨用的物件儲存層機制

S3 一直是「冷儲存雲端硬碟」的代名詞，便宜又耐用。現在，AWS 直接把**「原生向量索引 (Native Vector Indexing)」**的功能內建到了 S3 裡面！

這代表什麼？ 這代表你不需要再開一台專門的「向量資料庫伺服器」！你可以把幾萬筆 Embedding 矩陣直接像是存圖片一樣放在 S3 向量桶 (Vector Buckets) 中，S3 會自己在後台幫你建好 HNSW 索引。 當 Knowledge Bases 去檢索時，幾乎是標準 S3 取決的成本，能省下接近 80% 到 90% 的向量庫維運費用。

這對於中小型專案、或是極少變動的靜態知識庫來說，絕對是第一首選。

GraphRAG 與未來的可能性

有趣的是，AWS 並沒有止步於此。我們在 2026 前半年的趨勢中看到，如果資料之間彼此有複雜的人事時地網狀關聯（例如偵查辦案記錄、供應鏈上下游關係），單純的向量距離就不夠用了。

為此，Bedrock Knowledge Bases 現在更可結合 Amazon Neptune Analytics。系統會在背景幫你把文件的實體 (Entity) 抽出來變成一張「知識圖譜」，當你在查詢時，這就是最先進的 GraphRAG。

為什麼需要升級？

你發現了嗎？我們談的 RAG，越往後越強調 AI 自己有能力把資訊關聯與決策。 那如果我們讓這些 AI 去呼叫公司的內部系統，或是主動發信提醒負責人呢？

這就是我們最後一塊拼圖：下一篇，也將是本系列的壓軸（Bonus 篇章），我們將探討 AWS Agentic RAG 與未來的主流——多智能體協作 (Multi-Agent Workflows)！